fit(self, x=None, y=None, batch_size=None, epochs=1, verbose=1, callbacks=None, validation_split=0.0, validation_data=None, shuffle=True, class_weight=None, sample_weight=None, initial_epoch=0, steps_per_epoch=None, validation_steps=None)

本函式用以訓練模型，引數有：

• x：輸入資料。如果模型只有一個輸入，那麼x的型別是numpy array，如果模型有多個輸入，那麼x的型別應當為list，list的元素是對應於各個輸入的numpy array。如果模型的每個輸入都有名字，則可以傳入一個字典，將輸入名與其輸入資料對應起來。

• y：標籤，numpy array。如果模型有多個輸出，可以傳入一個numpy array的list。如果模型的輸出擁有名字，則可以傳入一個字典，將輸出名與其標籤對應起來。

• batch_size：整數，指定進行梯度下降時每個batch包含的樣本數。訓練時一個batch的樣本會被計算一次梯度下降，使目標函式優化一步。

• epochs：整數，訓練終止時的epoch值，訓練將在達到該epoch值時停止，當沒有設定initial_epoch時，它就是訓練的總輪數，否則訓練的總輪數為epochs - inital_epoch

• verbose：日誌顯示，0為不在標準輸出流輸出日誌資訊，1為輸出進度條記錄，2為每個epoch輸出一行記錄

• callbacks：list，其中的元素是keras.callbacks.Callback的物件。這個list中的回撥函式將會在訓練過程中的適當時機被呼叫，參考回撥函式

• validation_split：0~1之間的浮點數，用來指定訓練集的一定比例資料作為驗證集。驗證集將不參與訓練，並在每個epoch結束後測試的模型的指標，如損失函式、精確度等。注意，validation_split的劃分在shuffle之後，因此如果你的資料本身是有序的，需要先手工打亂再指定validation_split，否則可能會出現驗證集樣本不均勻。

• validation_data：形式為（X，y）或（X，y，sample_weights）的tuple，是指定的驗證集。此引數將覆蓋validation_spilt。

• shuffle：布林值，表示是否在訓練過程中每個epoch前隨機打亂輸入樣本的順序。

• class_weight：字典，將不同的類別對映為不同的權值，該引數用來在訓練過程中調整損失函式（只能用於訓練）。該引數在處理非平衡的訓練資料（某些類的訓練樣本數很少）時，可以使得損失函式對樣本數不足的資料更加關注。

• sample_weight：權值的numpy array，用於在訓練時調整損失函式（僅用於訓練）。可以傳遞一個1D的與樣本等長的向量用於對樣本進行1對1的加權，或者在面對時序資料時，傳遞一個的形式為（samples，sequence_length）的矩陣來為每個時間步上的樣本賦不同的權。這種情況下請確定在編譯模型時添加了sample_weight_mode='temporal'。

• initial_epoch: 從該引數指定的epoch開始訓練，在繼續之前的訓練時有用。

• steps_per_epoch: 一個epoch包含的步數（每一步是一個batch的資料送入），當使用如TensorFlow資料Tensor之類的輸入張量進行訓練時，預設的None代表自動分割，即資料集樣本數/batch樣本數。

• validation_steps: 僅當steps_per_epoch被指定時有用，在驗證集上的step總數。

輸入資料與規定資料不匹配時會丟擲錯誤

fit函式返回一個History的物件，其History.history屬性記錄了損失函式和其他指標的數值隨epoch變化的情況，如果有驗證集的話，也包含了驗證集的這些指標變化情況。

fit_generator(self, generator, steps_per_epoch, epochs=1, verbose=1, callbacks=None, validation_data=None, validation_steps=None, class_weight=None, max_q_size=10, workers=1, pickle_safe=False, initial_epoch=0)

函式的引數是：

• generator：生成器函式，生成器的輸出應該為：

  • 一個形如（inputs，targets）的tuple

  • 一個形如（inputs, targets,sample_weight）的tuple。所有的返回值都應該包含相同數目的樣本。生成器將無限在資料集上迴圈。每個epoch以經過模型的樣本數達到samples_per_epoch時，記一個epoch結束

• steps_per_epoch：整數，當生成器返回steps_per_epoch次資料時計一個epoch結束，執行下一個epoch

• epochs：整數，資料迭代的輪數

• verbose：日誌顯示，0為不在標準輸出流輸出日誌資訊，1為輸出進度條記錄，2為每個epoch輸出一行記錄

• validation_data：具有以下三種形式之一

  • 生成驗證集的生成器

  • 一個形如（inputs,targets）的tuple

  • 一個形如（inputs,targets，sample_weights）的tuple

• validation_steps: 當validation_data為生成器時，本引數指定驗證集的生成器返回次數

• class_weight：規定類別權重的字典，將類別對映為權重，常用於處理樣本不均衡問題。

• sample_weight：權值的numpy array，用於在訓練時調整損失函式（僅用於訓練）。可以傳遞一個1D的與樣本等長的向量用於對樣本進行1對1的加權，或者在面對時序資料時，傳遞一個的形式為（samples，sequence_length）的矩陣來為每個時間步上的樣本賦不同的權。這種情況下請確定在編譯模型時添加了sample_weight_mode='temporal'。

• workers：最大程序數

• max_q_size：生成器佇列的最大容量

• pickle_safe: 若為真，則使用基於程序的執行緒。由於該實現依賴多程序，不能傳遞non picklable（無法被pickle序列化）的引數到生成器中，因為無法輕易將它們傳入子程序中。

• initial_epoch: 從該引數指定的epoch開始訓練，在繼續之前的訓練時有用。

函式返回一個History物件。

參考文獻： Keras中文文件